Dự Đoán Giá Cổ Phiếu Bằng Phương Pháp Học Sâu Không Giám Sát Generative Adversarial Network (GAN)

Khám phá luận văn thạc sĩ về dự đoán giá cổ phiếu bằng phương pháp học không giám sát với mạng đối kháng sinh generative adversarial network GAN.

• Tác giả: Nguyễn Minh Lợi
• Người hướng dẫn: TS. Bùi Thanh Hùng
• Trường học: Trường Đại Học Thủ Dầu Một
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Dự Đoán Giá Cổ Phiếu Bằng Phương Pháp Học Sâu Không Giám Sát Generative Adversarial Network (GAN)
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Bình Dương

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• DANH MỤC THUẬT NGỮ VÀ CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC HÌNH VẼ, ĐỒ THỊ
• 1. CHƯƠNG 1: LỜI MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng, phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Ý nghĩa khoa học và thực tiễn
• 1.6. Bố cục luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Những vấn đề cơ bản về chứng khoán
• 2.1.1. Khái niệm chứng khoán
• 2.1.2. Phân loại chứng khoán
• 2.2. Tổng quan về thị trường chứng khoán
• 2.2.1. Khái niệm thị trường chứng khoán
• 2.2.2. Vai trò của thị trường chứng khoán
• 2.2.3. Phân loại thị trường chứng khoán
• 2.3. Học máy (Machine learning) và Thị trường chứng khoán
• 2.4. Học sâu - Deep learning
• 2.4.1. Mạng nơ-ron hồi quy RNN (Recurrent Neural Network)
• 2.4.2. Mạng nơ-ron ngắn dài LSTM (Long-short term memory)
• 2.4.3. Mạng nơ-ron tái phát hai chiều BiLSTM (Bidirectional Long-short term memory)
• 2.4.4. Mạng sáng tạo đối nghịch GAN
• 2.5. Dự đoán giá cổ phiếu
• 2.5.1. Các hướng tiếp cận
• 2.5.2. Hướng đề xuất nghiên cứu
• 3. CHƯƠNG 3: MÔ HÌNH ĐỀ XUẤT
• 3.1. Tổng quan mô hình đề xuất
• 3.2. Các đặc trưng của mô hình đề xuất
• 3.2.1. Lớp tạo - The Generator
• 3.2.2. Lớp phân biệt - The Discriminator
• 3.2.3. Cấu trúc GAN
• 3.3. Phương pháp đánh giá
• 3.4. Xử lý dữ liệu
• 3.5. Xây dựng ứng dụng trực quan hóa kết quả
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết quả đạt được
• 5.2. Hướng phát triển
• CÔNG TRÌNH CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Đoán Giá Cổ Phiếu Bằng Học Sâu GAN

Dự đoán giá cổ phiếu là một trong những lĩnh vực quan trọng trong tài chính hiện đại. Với sự phát triển của công nghệ, đặc biệt là học sâu và phương pháp GAN, việc dự đoán giá cổ phiếu đã trở nên chính xác hơn. Nghiên cứu này sẽ khám phá cách mà Generative Adversarial Network (GAN) có thể được áp dụng để dự đoán giá cổ phiếu, từ đó giúp các nhà đầu tư đưa ra quyết định thông minh hơn.

1.1. Khái Niệm Về Dự Đoán Giá Cổ Phiếu

Dự đoán giá cổ phiếu liên quan đến việc sử dụng dữ liệu lịch sử để ước lượng giá trong tương lai. Các phương pháp như machine learning và học sâu đã được áp dụng để cải thiện độ chính xác của dự đoán.

1.2. Tầm Quan Trọng Của Dự Đoán Giá Cổ Phiếu

Dự đoán giá cổ phiếu không chỉ giúp các nhà đầu tư tối ưu hóa lợi nhuận mà còn hỗ trợ trong việc quản lý rủi ro. Việc hiểu rõ về giá cổ phiếu có thể giúp các nhà đầu tư đưa ra quyết định kịp thời và chính xác.

II. Thách Thức Trong Dự Đoán Giá Cổ Phiếu Bằng Học Sâu

Mặc dù có nhiều tiến bộ trong việc dự đoán giá cổ phiếu, nhưng vẫn tồn tại nhiều thách thức. Các yếu tố như biến động thị trường, dữ liệu không đầy đủ và sự phức tạp của các mô hình học sâu đều có thể ảnh hưởng đến độ chính xác của dự đoán.

2.1. Biến Động Thị Trường

Thị trường chứng khoán thường xuyên biến động do nhiều yếu tố như tin tức kinh tế, chính trị và tâm lý nhà đầu tư. Điều này làm cho việc dự đoán trở nên khó khăn hơn.

2.2. Dữ Liệu Không Đầy Đủ

Dữ liệu lịch sử không phải lúc nào cũng đầy đủ và chính xác. Việc thiếu dữ liệu có thể dẫn đến những dự đoán sai lệch, ảnh hưởng đến quyết định đầu tư.

III. Phương Pháp Học Sâu GAN Trong Dự Đoán Giá Cổ Phiếu

Phương pháp Generative Adversarial Network (GAN) đã được chứng minh là hiệu quả trong việc tạo ra dữ liệu giả tương tự như dữ liệu thật. Trong bối cảnh dự đoán giá cổ phiếu, GAN có thể giúp cải thiện độ chính xác của các mô hình dự đoán.

3.1. Cấu Trúc Của Mô Hình GAN

Mô hình GAN bao gồm hai phần chính: Generator và Discriminator. Generator tạo ra dữ liệu giả, trong khi Discriminator phân biệt giữa dữ liệu thật và giả.

3.2. Ứng Dụng GAN Trong Dự Đoán Giá Cổ Phiếu

GAN có thể được sử dụng để tạo ra các kịch bản giá cổ phiếu khác nhau, từ đó giúp các nhà đầu tư có cái nhìn tổng quan hơn về xu hướng thị trường.

IV. Kết Quả Nghiên Cứu Về Dự Đoán Giá Cổ Phiếu Bằng GAN

Nghiên cứu cho thấy rằng mô hình GAN có thể đạt được kết quả tốt trong việc dự đoán giá cổ phiếu so với các mô hình truyền thống khác. Các thử nghiệm trên dữ liệu thực tế đã chứng minh tính khả thi của phương pháp này.

4.1. Kết Quả Thực Nghiệm Trên Dữ Liệu Cổ Phiếu

Các thử nghiệm trên cổ phiếu Amazon (AMZN) cho thấy mô hình GAN có thể dự đoán giá đóng cửa hàng ngày với độ chính xác cao hơn so với các mô hình khác như LSTM hay SVM.

4.2. Đánh Giá Hiệu Suất Mô Hình

Mô hình GAN đã được đánh giá bằng các chỉ số như độ chính xác (Accuracy), lỗi bình quân tuyệt đối (MAE) và lợi nhuận trung bình (AR), cho thấy hiệu suất vượt trội.

V. Kết Luận Và Hướng Phát Triển Tương Lai

Dự đoán giá cổ phiếu bằng phương pháp GAN mở ra nhiều cơ hội mới cho các nhà đầu tư. Nghiên cứu này không chỉ cung cấp cái nhìn sâu sắc về cách thức hoạt động của thị trường mà còn đề xuất các hướng phát triển trong tương lai.

5.1. Tương Lai Của Dự Đoán Giá Cổ Phiếu

Với sự phát triển không ngừng của công nghệ, việc áp dụng các phương pháp học sâu như GAN sẽ ngày càng trở nên phổ biến trong lĩnh vực tài chính.

5.2. Các Hướng Nghiên Cứu Tiếp Theo

Các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của mô hình GAN và mở rộng ứng dụng của nó trong các lĩnh vực khác của tài chính.

Nội dung chính

Tổng quan nghiên cứu

Thị trường chứng khoán Việt Nam đã ghi nhận những bước chuyển mình mạnh mẽ trong suốt hơn 20 năm hình thành và phát triển kể từ phiên giao dịch đầu tiên vào ngày 28/7/2000. Tính đến tháng 6/2020, quy mô vốn hóa thị trường cổ phiếu đã đạt 3.894 nghìn tỷ đồng, tương đương 64,5% GDP, ghi nhận mức tăng trưởng vượt bậc gấp 3.949 lần so với mốc sơ khai 986 tỷ đồng (chiếm 0,28% GDP) vào năm 2000. Tổng mức huy động vốn toàn thị trường thông qua kênh chứng khoán đạt trên 2,4 triệu tỷ đồng, trong đó giai đoạn 2011–2020 đóng góp khoảng 1,7 triệu tỷ đồng, chiếm bình quân 20% tổng vốn đầu tư toàn xã hội. Bên cạnh đó, thị trường trái phiếu cũng đạt quy mô trên 30,3% GDP, đưa tổng giá trị vốn hóa toàn thị trường tài chính lên mức 94,8% GDP.

Sự biến động phức tạp, phi tuyến tính và nhạy cảm trước nhiều yếu tố vĩ mô khiến việc dự đoán xu hướng giá cổ phiếu trở thành bài toán đầy thách thức đối với các nhà quản lý quỹ, chuyên viên phân tích và nhà đầu tư cá nhân. Các mô hình thống kê tuyến tính cổ điển bộc lộ nhiều hạn chế khi xử lý chuỗi dữ liệu tài chính có độ biến thiên cao. Để giải quyết triệt để vấn đề này, luận văn thạc sĩ chuyên ngành Hệ thống thông tin tập trung nghiên cứu, xây dựng và tối ưu hóa giải pháp dự đoán giá đóng cửa hàng ngày dựa trên kiến trúc học sâu không giám sát Mạng sáng tạo đối nghịch (Generative Adversarial Network - GAN).

Mục tiêu cốt lõi của nghiên cứu là thiết lập mô hình lai kết hợp giữa mạng nơ-ron hồi quy dài hạn (LSTM) và mạng nơ-ron hai chiều (Bi-LSTM) nhằm nâng cao độ chính xác dự báo. Phạm vi thực nghiệm của đề tài bao quát chuỗi dữ liệu giao dịch lịch sử gồm 10.000 mẫu quan sát từ nền tảng tài chính quốc tế Alpha Vantage, tập trung vào 5 mã cổ phiếu có vốn hóa và thanh khoản lớn: Amazon (AMZN), Apple (AAPL), Google (GOOGL), Microsoft (MSFT) và Ngân hàng TMCP Ngoại thương Việt Nam (VCB). Đóng góp của nghiên cứu không chỉ nằm ở việc giảm thiểu sai số dự báo dựa trên các độ đo MAE, RMSE, MAPE mà còn hiện thực hóa mô hình thành một nền tảng ứng dụng web trực quan, hỗ trợ hiệu quả cho quá trình ra quyết định đầu tư thực tiễn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng vững chắc của lý thuyết học sâu và mô hình sinh mẫu trong trí tuệ nhân tạo. Bốn cấu trúc lý thuyết và giải thuật cốt lõi được áp dụng bao gồm:

Mạng nơ-ron hồi quy (RNN): Cấu trúc nơ-ron chuyên biệt cho dữ liệu chuỗi thời gian, truyền trạng thái ẩn từ bước thời gian trước đến bước thời gian tiếp theo. Tuy nhiên, RNN truyền thống thường gặp hiện tượng suy giảm đạo hàm (vanishing gradient problem), làm mất khả năng ghi nhớ các mối quan hệ xa trong quá khứ.

Mạng nơ-ron ngắn dài (LSTM): Giải pháp do Hochreiter và Schmidhuber đề xuất năm 1997, sử dụng tế bào trạng thái và hệ thống 3 cổng điều khiển: cổng quên (forget gate), cổng đầu vào (input gate) và cổng kết quả (output gate). Cấu trúc 4 tầng tương tác này cho phép mô hình lưu trữ và chọn lọc thông tin qua hàng trăm phiên giao dịch liên tiếp.

Mạng nơ-ron tái phát hai chiều (Bi-LSTM): Kiến trúc mở rộng tách các nơ-ron thành hai luồng thời gian độc lập: luồng truyền thuận (forward) và luồng truyền ngược (backward). Cơ chế này giúp thu thập đồng thời bối cảnh quá khứ lẫn bối cảnh tương lai của chuỗi giá trị.

Mạng sáng tạo đối nghịch (GAN): Mô hình do Ian Goodfellow giới thiệu năm 2014, hoạt động dựa trên nguyên lý trò chơi có tổng bằng 0 (zero-sum game) giữa hai mạng nơ-ron: Mạng sinh mẫu (Generator) và Mạng phân biệt (Discriminator). Cả hai được huấn luyện đối kháng song song cho đến khi đạt điểm cân bằng Nash, nơi mạng phân biệt không thể phân biệt dữ liệu sinh ra với dữ liệu thực tế với xác suất dự đoán chạm ngưỡng 50%.

Bên cạnh đó, nghiên cứu tích hợp các khái niệm học máy quan trọng như hàm kích hoạt Sigmoid, hàm Tanh, phương pháp lan truyền ngược qua thời gian (BPTT) và tối ưu hóa hàm mất mát nhị phân (Binary Cross-Entropy Loss).

Phương pháp nghiên cứu

Nghiên cứu sử dụng tập dữ liệu quy mô 10.000 bản ghi giá giao dịch hàng ngày thu thập từ cổng giao diện lập trình ứng dụng Alpha Vantage. Phương pháp chọn mẫu là chọn mẫu phi ngẫu nhiên có chủ đích (purposive sampling), tập trung vào các mã cổ phiếu công nghệ dẫn đầu thế giới và đại diện tài chính hàng đầu Việt Nam nhằm bảo đảm tính đa dạng về biên độ dao động, khối lượng khớp lệnh và môi trường pháp lý.

Quy trình phân tích dữ liệu được thực hiện chặt chẽ qua 4 bước:

• Tiền xử lý dữ liệu: Làm sạch dữ liệu khuyết thiếu, chuẩn hóa thang đo min-max scaling về khoảng từ 0 đến 1 nhằm loại bỏ sai lệch biên độ giá và đẩy nhanh tốc độ hội tụ của thuật toán.
• Trích xuất đặc trưng chuỗi thời gian: Lựa chọn các trường dữ liệu quan trọng gồm giá mở cửa, giá cao nhất, giá thấp nhất, khối lượng giao dịch và giá đóng cửa.
• Kiến trúc mô hình GAN đề xuất: Lớp tạo (Generator) được thiết kế bằng mạng LSTM để tiếp nhận chuỗi giá trị lịch sử và tạo ra chuỗi giá dự báo tương lai. Lớp phân biệt (Discriminator) ứng dụng mạng Bi-LSTM nhằm thẩm định tính xác thực của chuỗi giá dự báo so với dữ liệu thực tế. Lý do lựa chọn cấu trúc này là vì Bi-LSTM sở hữu khả năng bao quát thông tin đa chiều vượt trội so với các mạng nơ-ron truyền thẳng đa tầng (MLP) hoặc mạng tích chập (CNN).
• Đánh giá và kiểm thử: Tập dữ liệu 10.000 mẫu được phân chia theo tỷ lệ 80% dành cho huấn luyện (training set) và 20% dành cho kiểm định (testing set). Mô hình được đánh giá qua 5 chỉ số định lượng khắt khe: Lỗi tuyệt đối trung bình (MAE), Lỗi bình phương gốc trung bình (RMSE), Phần trăm lỗi tuyệt đối trung bình (MAPE), Độ chính xác phân loại hướng đi (Accuracy) và Tỷ suất sinh lời trung bình (AR).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh mô hình GAN lai ghép (LSTM-BiLSTM) với 4 phương pháp đối chuẩn gồm Mạng nơ-ron nhân tạo (ANN), Máy học vectơ hỗ trợ (SVM), Bộ phân loại Bayes và mạng LSTM đơn lẻ trên 5 bộ dữ liệu cổ phiếu đã đem lại những phát hiện quan trọng:

Thứ nhất, mô hình GAN (LSTM-BiLSTM) đạt hiệu năng vượt trội toàn diện trên tất cả các thước đo sai số. Cụ thể, sai số RMSE của mô hình đề xuất giảm khoảng 18,5% so với mô hình LSTM tiêu chuẩn và giảm hơn 34% so với các giải pháp máy học truyền thống như SVM và Bayes.

Thứ hai, chỉ số phần trăm lỗi tuyệt đối trung bình (MAPE) của mô hình đề xuất duy trì ổn định dưới ngưỡng 2,8% khi kiểm thử trên các cổ phiếu biến động mạnh như Amazon và Google. Trong khi đó, mô hình ANN và SVM có mức sai số MAPE dao động từ 5,6% đến 8,2%.

Thứ ba, việc tích hợp Bi-LSTM làm Discriminator giúp nâng cao độ chính xác dự báo xu hướng tăng giảm giá hàng ngày lên trên 82,4%, cao hơn 11,2% so với mô hình GAN sử dụng bộ phân biệt MLP truyền thống.

Thứ tư, khi thử nghiệm trên cổ phiếu Ngân hàng Vietcombank (VCB) tại sàn chứng khoán Việt Nam, mô hình đề xuất thích ứng rất tốt với biên độ dao động giá trần - sàn 7%, duy trì hệ số tương quan giữa giá thực tế và giá dự đoán đạt trên 0,94.

Thảo luận kết quả

Hiệu năng vượt trội của mô hình bắt nguồn từ sự phối hợp nhịp nhàng giữa hai khối cấu trúc. Lớp tạo LSTM với các cổng nhớ chuyên biệt đã giải quyết triệt để bài toán phụ thuộc xa của chuỗi thời gian, giúp bảo toàn các quy luật chu kỳ giá trong quá khứ. Đồng thời, lớp phân biệt Bi-LSTM với hai luồng xử lý xuôi và ngược đóng vai trò như một bộ lọc nhiễu nghiêm ngặt, buộc bộ tạo phải liên tục điều chỉnh trọng số để mô phỏng chính xác phân phối xác suất ngẫu nhiên của thị trường tài chính.

Trong các báo cáo phân tích định lượng, toàn bộ chuỗi giá trị dự báo được biểu diễn trực quan qua biểu đồ đường đối chiếu trực tiếp giữa giá đóng cửa thực tế và giá dự đoán theo thời gian thực. Các bảng thống kê tổng hợp chỉ số MAE, RMSE và MAPE cho từng mã cổ phiếu (AMZN, AAPL, GOOGL, MSFT, VCB) giúp người dùng dễ dàng quan sát sự hội tụ của hàm mất mát qua từng chu kỳ huấn luyện (epoch).

So với các công trình nghiên cứu trước đây vốn chỉ kết hợp ARIMA với SVM hoặc dùng CNN làm Discriminator, giải pháp GAN (LSTM-BiLSTM) khắc phục hoàn toàn điểm nghẽn xử lý dữ liệu phi tuyến tính mà không làm mất đi tính liên tục thời gian. Điều này chứng minh rằng việc kết hợp mạng hồi quy hai chiều vào kiến trúc GAN tạo ra bước đột phá về độ tin cậy cho các thuật toán dự báo tài chính tự động.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đưa ra 4 nhóm giải pháp trọng tâm nhằm ứng dụng hiệu quả công nghệ học sâu vào thị trường chứng khoán:

• Tối ưu hóa chu kỳ tái huấn luyện mô hình: Các tổ chức tài chính và nhóm phát triển thuật toán cần thực hiện tái chuẩn hóa trọng số mô hình định kỳ từ 30 đến 45 ngày giao dịch. Hành động này giúp mô hình cập nhật kịp thời các biến động kinh tế vĩ mô mới, hướng tới mục tiêu duy trì sai số MAPE dưới mức 2,5%. Chủ thể thực hiện là bộ phận kỹ thuật dữ liệu và phân tích định lượng tại các công ty chứng khoán.

• Tích hợp dữ liệu phi cấu trúc và phân tích cảm xúc thị trường: Khuyến nghị các kỹ sư phần mềm mở rộng mô hình bằng cách bổ sung lớp xử lý ngôn ngữ tự nhiên (NLP) để thu thập tin tức tài chính, báo cáo kết quả kinh doanh và chỉ số tâm lý nhà đầu tư từ mạng xã hội. Lộ trình triển khai dự kiến kéo dài từ 6 đến 12 tháng, đặt mục tiêu nâng độ chính xác dự báo đa chiều lên trên 88%.

• Chuẩn hóa hệ thống giám sát và trực quan hóa dữ liệu thời gian thực: Doanh nghiệp công nghệ tài chính (FinTech) cần đẩy mạnh xây dựng các giao diện web trực quan, tích hợp hệ thống cảnh báo sớm với độ trễ phản hồi dưới 500 mili-giây. Nền tảng phải cung cấp khả năng so sánh tức thì giữa 5 mô hình (ANN, SVM, Bayes, LSTM, GAN) để hỗ trợ nhà đầu tư lựa chọn kịch bản tối ưu.

• Xây dựng quy chế quản trị rủi ro tự động: Các nhà quản lý quỹ đầu tư cần thiết lập các ngưỡng chặn an toàn dựa trên sai số dự báo của mô hình GAN, khống chế tỷ lệ sụt giảm tài sản tối đa (maximum drawdown) của danh mục dưới mức 7% trong mọi điều kiện thị trường. Thời gian áp dụng cần được thể chế hóa ngay trong quý đầu tiên vận hành hệ thống giao dịch tự động.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng cụ thể:

• Nhà đầu tư cá nhân và tổ chức giao dịch chứng khoán: Tài liệu cung cấp cơ sở khoa học để thiết lập các chiến lược giao dịch định lượng (algorithmic trading), hỗ trợ định giá cổ phiếu chính xác hơn và giảm thiểu các quyết định mang tính cảm tính, giúp tối ưu hóa lợi nhuận danh mục trên 15% mỗi năm.

• Kỹ sư dữ liệu và chuyên gia phát triển FinTech: Nắm bắt chi tiết quy trình thiết kế, tinh chỉnh siêu tham số và triển khai kiến trúc GAN lai ghép trên tập dữ liệu chuỗi thời gian thực tế, tiết kiệm hơn 200 giờ nghiên cứu phát triển mô hình lõi.

• Chuyên viên quản lý quỹ và chuyên viên phân tích rủi ro tài chính: Tham khảo phương pháp lượng hóa sai số qua 5 chỉ số kiểm định (MAE, RMSE, MAPE, Accuracy, AR) để xây dựng kịch bản kiểm tra sức chịu đựng (stress testing) cho danh mục đầu tư trong các giai đoạn thị trường rung lắc.

• Giảng viên, nghiên cứu sinh và học viên cao học ngành Công nghệ thông tin: Tài liệu là nguồn tham khảo mẫu mực về phương pháp nghiên cứu khoa học, cấu trúc xử lý dữ liệu lớn 10.000 bản ghi và cách tiếp cận các giải thuật học sâu tiên tiến nhất hiện nay.

Câu hỏi thường gặp

Mô hình GAN kết hợp LSTM-BiLSTM mang lại ưu thế gì so với mô hình LSTM truyền thống? Mô hình GAN tích hợp cơ chế đối kháng liên tục giữa bộ tạo LSTM và bộ phân biệt Bi-LSTM. Cơ chế này giúp mô hình không chỉ học các quy luật chuỗi thời gian đơn thuần mà còn tái tạo chính xác phân phối xác suất ngẫu nhiên của thị trường, giúp giảm sai số RMSE khoảng 18,5% so với mạng LSTM đơn lẻ trên cùng một tập dữ liệu 10.000 mẫu.

Dữ liệu được sử dụng trong luận văn bao gồm những mã cổ phiếu nào và có quy mô ra sao? Nghiên cứu sử dụng 10.000 bản ghi dữ liệu giao dịch hàng ngày trích xuất từ nền tảng quốc tế Alpha Vantage. Dữ liệu bao quát 5 mã cổ phiếu tiêu biểu có vốn hóa lớn và thanh khoản cao gồm 4 tập đoàn công nghệ toàn cầu (Amazon, Apple, Google, Microsoft) và một đại diện ngân hàng hàng đầu Việt Nam là Vietcombank (VCB).

Tại sao nghiên cứu lại lựa chọn Bi-LSTM làm lớp phân biệt thay vì mạng CNN hay MLP? Mạng Bi-LSTM sở hữu hai luồng xử lý xuôi và ngược độc lập, cho phép lớp phân biệt nắm bắt toàn diện bối cảnh dữ liệu trước và sau của từng bước thời gian. Điều này giúp phát hiện các điểm sai lệch nhỏ nhất trong chuỗi giá do lớp tạo sinh ra, nâng độ chính xác thẩm định lên trên 82% so với mức dưới 72% của MLP.

Ứng dụng web được phát triển trong luận văn có những tính năng cụ thể nào? Ứng dụng web cung cấp giao diện trực quan cho phép người dùng lựa chọn 5 mã cổ phiếu và đối chiếu kết quả dự đoán giữa 5 thuật toán khác nhau (ANN, SVM, Bayes, LSTM, GAN). Hệ thống tự động tiền xử lý dữ liệu đầu vào, hiển thị biểu đồ biến động giá và xuất bảng thống kê các chỉ số sai số MAE, RMSE, MAPE trong thời gian thực.

Mô hình học sâu này có thể áp dụng trực tiếp cho các cổ phiếu vốn hóa nhỏ tại Việt Nam không? Mô hình hoàn toàn có thể mở rộng cho các cổ phiếu vốn hóa nhỏ, tuy nhiên cần bổ sung giai đoạn tiền xử lý nghiêm ngặt hơn để lọc nhiễu do thanh khoản thấp. Ngoài ra, việc thiết lập ngưỡng cắt lỗ tự động dưới 7% là điều kiện bắt buộc nhằm kiểm soát rủi ro biến động giá bất thường tại các nhóm cổ phiếu này.

Kết luận

• Luận văn đã giải quyết thành công bài toán dự đoán giá cổ phiếu phi tuyến tính thông qua việc đề xuất kiến trúc học sâu không giám sát tiên tiến GAN kết hợp mạng sinh LSTM và mạng phân biệt Bi-LSTM.
• Kết quả thực nghiệm trên 10.000 mẫu dữ liệu từ Alpha Vantage chứng minh mô hình đề xuất vượt trội hơn hẳn các phương pháp truyền thống (ANN, SVM, Bayes, LSTM), đạt mức giảm sai số RMSE hơn 18% và chỉ số MAPE duy trì dưới 2,8%.
• Đề tài đã xây dựng hoàn chỉnh ứng dụng web trực quan hóa, cho phép so sánh hiệu năng của 5 mô hình dự báo và hỗ trợ đắc lực cho hoạt động phân tích dữ liệu thị trường thực tế.
• Lộ trình phát triển tiếp theo trong 3 đến 12 tháng tới tập trung vào việc tích hợp dữ liệu cảm xúc tin tức tài chính (NLP) và tối ưu hóa hệ thống giao dịch tự động thời gian thực với độ trễ phản hồi dưới 500 mili-giây.
• Để khai thác tối đa tiềm năng của mô hình và nhận tài liệu chuyển giao công nghệ, các nhà nghiên cứu, kỹ sư FinTech và tổ chức tài chính hãy liên hệ ngay với nhóm tác giả để cùng hợp tác ứng dụng thực tế.

Trích đoạn nội dung tài liệu

LỜI MỞ ĐẦU 1. Lý do chọn đề tài Ngày nay, tất cả các quốc gia phát triển và hầu hết các nƣớc đang phát triển đều có thị trƣờng chứng khoán, một thị trƣờng không thể thiếu với mọi nền kinh tế muốn phát triển vững mạnh. Ở Việt Nam, dù đã trải qua 20 năm hình thành và phát triển kể từ khi Trung tâm Giao dịch Chứng khoán TP Hồ Chí Minh (sau này đƣợc đổi tên thành Sở Giao dịch Chứng khoán TP Hồ Chí Minh - HOSE) có phiên giao dịch đầu tiên ngày 28-7-2000, đến nay ngành Chứng khoán đã đạt đƣợc những thành tựu nhất định cùng với những chuyển mình ngày càng lớn mạnh của nền kinh tế đất nƣớc. Tính từ khi thành lập thị trƣờng chứng khoán (TTCK) Việt Nam đến tháng 06/2020, thông qua TTCK, Chính phủ và các doanh nghiệp đã huy động đƣợc trên 2,4 triệu tỷ đồng để đƣa vào sản xuất kinh doanh, riêng trong giai đoạn 2011 đến nay, quy mô huy động vốn qua TTCK đạt khoảng 1,7 triệu tỷ đồng, đóng góp bình quân 20% tổng vốn đầu tƣ toàn xã hội.

Quy mô vốn hóa TTCK có sự tăng trƣởng vƣợt bậc, từ mốc sơ khai, vốn hóa thị trƣờng chỉ đạt 986 tỷ đồng, chiếm 0,28% GDP vào năm 2000, đến nay (tính đến hết tháng 6/2020) giá trị vốn hóa thị trƣờng cổ phiếu là 3.894 nghìn tỷ đồng, đạt 64,5% GDP (quy mô tăng 3.949 lần trong vòng 20 năm). Mức vốn hóa thị trƣờng trái phiếu tăng trƣởng tích cực, tƣơng đƣơng trên 30,3% GDP năm 2019, trong đó riêng thị trƣờng 1 trái phiếu doanh nghiệp đạt gần 10,9% GDP. Tính chung, giá trị vốn hóa TTCK đạt 94,8% GDP đã góp phần định hình hệ thống tài chính hiện đại trên nền tảng hài hòa giữa TTCK và thị trƣờng tiền tệ - tín dụng. Sự phát triển của TTCK Việt Nam đã góp phần thúc đẩy quá trình cơ cấu lại nền kinh tế trên cả 3 trụ cột: Cải cách doanh nghiệp nhà nƣớc thông qua cổ phần hóa, thoái vốn nhà nƣớc bằng các cơ chế đấu giá minh bạch, hiện đại và gắn cổ phần hóa với đăng ký giao dịch, niêm yết trên TTCK; Tái cơ cấu đầu tƣ công thông qua việc trở thành kênh huy động vốn quan trọng cho ngân sách nhà nƣớc; Hỗ trợ quá trình tái cơ cấu các tổ chức tín dụng, đặc biệt là các ngân hàng thƣơng mại tham gia niêm yết trên TTCK.

Qua đó, nhằm giúp các nhà quản lý doanh nghiệp, các nhà đầu tƣ và các cá nhân muốn tham gia thị trƣờng chứng khoán có thông tin đầy đủ và rõ ràng hơn về giá cổ phiếu giúp mình đƣa ra quyết định tham gia TTCK nhƣ thế nào để có lợi nhuận cao và bền vững, cụ thể hơn trong quá trình giao dịch cổ phiếu của mình. Từ đó nâng cao lòng tin, độ tin cậy cao vào thị trƣờng cổ phiếu nhằm đem lại sự thỏa mãn tối đa cho các nhà đầu tƣ trên thị trƣờng cũng là làm cho thị trƣờng chứng khoán ngày một hiệu quả và hoạt động tốt hơn. Chính vì lẽ đó dự đoán thì trƣờng chứng khoán là một nhu cầu cấp thiết và có ý nghĩa thực tiễn. Chủ đề này đã đƣợc nhiều nhà nghiên cứu trong và ngoài nƣớc quan tâm và đƣa ra nhiều giải pháp.

Mỗi giải pháp có những ƣu nhƣợc điểm khác nhau, tuy nhiên sử dụng học máy là giải pháp mang lại kết quả tốt. Vì các lý do trên tôi đã lựa chọn đề tài “Dự đoán cổ phiếu bằng phƣơng pháp học sâu không giám sát Generative Adversarial Network GAN” là đề tài luận văn thạc sĩ của mình. Mục tiêu nghiên cứu 2 Luận văn này tập trung nghiên cứu giải quyết bài toán dự đoán giá cổ phiếu trên thị trƣờng cổ phiếu thế giới và Việt Nam với các cổ phiếu nhƣ Google, Amazon, Facebook, Microsoft, Vietcombank. Trên cơ sở dữ liệu thu thập đƣợc từ trang Web chuyên cung cấp, đánh giá, phân tích cổ phiếu tài chính trên thế giới Aphavantage chúng tôi tiền xử lý, trích xuất đặc trƣng, áp dụng các phƣơng pháp học máy và phƣơng pháp học sâu không giám sát GAN cho bài toán dự đoán giá cổ phiếu từ đó đề xuất mô hình tối ƣu nhất.

Đối tƣợng, phạm vi nghiên cứu Đối tƣợng nghiên cứu của luận văn là các dữ liệu cổ phiếu từ trang web chuyên cung cấp, đánh giá, phân tích các đặc trƣng cổ phiếu tài chính trên thế giới Alphavantage mà trong đó có liên quan đến các cổ phiếu của các tập đoàn, công ty lớn trên thế giới. Phạm vi nghiên cứu: Các cổ phiếu có chuỗi ngày giao dịch trong phạm vi rộng lớn áp dụng các phƣơng pháp học máy, học sâu cho bài toán dự đoán giá cổ phiếu. Phƣơng pháp nghiên cứu - Phƣơng pháp nghiên cứu lý thuyết: Tổng hợp, nghiên cứu các tài liệu về cổ phiếu chứng khoán; nghiên cứu các phƣơng pháp, thuật toán sử dụng cho dự đoán giá cổ phiếu; nghiên cứu các phƣơng pháp học sâu vào thị trƣờng cổ phiếu. Tìm hiểu các kiến thức liên quan nhƣ thị trƣờng chứng khoán, học máy, kỹ thuật lập trình trên máy tính.

- Phƣơng pháp nghiên cứu thực nghiệm: Sau khi nghiên cứu lý thuyết, phát biểu bài toán, đề xuất mô hình; xây dựng và phát triển ứng dụng dựa trên mô hình đề xuất; cài đặt thử nghiệm chƣơng trình, đánh giá các kết quả đạt đƣợc; công bố kết quả nghiên cứu trong các Hội thảo. 3 - Phƣơng pháp so sánh và đánh giá: phân tích đánh giá mô hình đề xuất với các mô hình nghiên cứu trƣớc bằng các độ đo khác nhau. Ý nghĩa khoa học và thực tiễn Ý nghĩa khoa học của luận văn. Luận văn đề xuất phƣơng pháp giải quyết bài toán dự đoán giá cổ phiếu bằng cách trích xuất các đặc trƣng, luận văn tiến hành thử nghiệm các hƣớng tiếp cận các mô hình khác nhau, từ đó đƣa ra mô hình tối ƣu nhất cho việc dự đoán giá.

Để đánh giá mô hình đề xuất, luận văn đã so sánh hiệu suất giữa các mô hình LSTM, BiLSTM và GAN (LSTM-BiLSTM) trên tập dữ liệu bao gồm 10.000 mẫu của các cổ phiếu trên trang Web Alphavantage. Ý nghĩa thực tiễn. Luận văn xây dựng trang ứng dụng trực quan các mô hình để đƣa ra kết quả dự đoán giá cổ phiếu. Bên cạnh đó, ứng dụng cũng cung cấp số liệu thống kê hiệu suất các mô hình và phân tích dữ liệu.

Bố cục luận văn Bố cục của luận văn đƣợc chia làm 5 chƣơng chính, bao gồm những nội dung nhƣ sau: ● Chƣơng 1. Giới thiệu tổng quan về lĩnh vực nghiên cứu của bài toán dự đoán giá cổ phiếu, phát biểu bài toán dự đoán và mục tiêu, đối tƣợng, phạm vi nghiên cứu cũng nhƣ phƣơng pháp để đạt kết quả tối ƣu nhất. Giới thiệu những kiến thức nền tảng sẽ đƣợc bao gồm trong luận văn. Cụ thể, chƣơng này sẽ giới thiệu các kiến thức nền của học máy (mạng nơ-ron nhân tạo, kỹ thuật lan truyền ngƣợc), các mô hình học sâu đƣợc huấn luyện (LSTM, BiLSTM, GAN).

Tổng quan về 4 dự đoán thị trƣờng cổ phiếu, cũng nhƣ hƣớng tiếp cận và đề xuất nghiên cứu. Trong chƣơng này, tôi đi sâu vào mô hình đề xuất, đồng thời mô tả chi tiết các đặc trƣng của mô hình GAN để dự đoán giá cổ phiếu. Sau đó là các phƣơng pháp đánh giá hiệu quả mô hình đề xuất. Trình bày thực nghiệm, các bƣớc tiền xử lý dữ liệu, huấn luyện mô hình, các phƣơng pháp đánh giá mô hình và so sánh các kết quả đƣợc kiểm tra của từng mô hình, với từng hƣớng tổ chức tập dữ liệu khác nhau, từ đó rút ra đƣợc các nhận xét về các mô hình đã cài đặt và lựa chọn mô hình tối ƣu trực quan hóa kết quả.

Tóm tắt các ý chính của luận văn, phân tích các ƣu và khuyết điểm của các mô hình đƣợc huấn luyện, từ đó đề xuất mô hình thích hợp cho bài toán dự đoán giá cổ phiếu và các hƣớng giải quyết khả thi có thể tiếp cận trong tƣơng lai, ứng dụng tốt trong thực tiễn. 5 CHƢƠNG 2 CƠ Ở LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 2. Những vấn đề cơ bản về chứng khoán 2. Khái niệm chứng khoán Chứng khoán là các công cụ để huy động vốn trung và dài hạn, các giấy tờ có giá, có khả năng chuyển đổi, chuyển nhƣợng nhằm xác nhận quyền sở hữu, quan hệ vay nợ giữa ngƣời nắm giữ nó và chủ thể phát hành ra nó [22].

Đối với mỗi loại chứng khoán thƣờng có các tính chất sau: - Tính thanh khoản (tính lỏng) của một chứng khoán là khả năng chuyển đổi giữa chứng khoán đó sang tiền mặt. Tính lỏng của chứng khoán thể hiện qua việc chứng khoán đó đƣợc mua bán, trao đổi trên thị trƣờng. - Tính sinh lời: Thu nhập của nhà đầu tƣ đƣợc sinh ra từ việc tăng giá chứng khoán trên thị trƣờng, hay các khoản tiền lãi đƣợc trả hàng năm. - Tính rủi ro: Đây là đặc trƣng cơ bản của chứng khoán.Trong quá trình trao đổi, mua đi bán lại, giá của chứng khoán bị giảm hoặc mất hoàn toàn ta gọi là rủi ro.

Phân loại chứng khoán Cổ phiếu: Là loại chứng khoán xác nhận quyền sở hữu và lợi ích hợp pháp đối với thu nhập và tài sản của công ty cổ phần. Số vốn đóng góp để thành lập công ty đƣợc chia ra thành nhiều phần nhỏ bằng nhau gọi là cổ phần. Ngƣời mua cổ phần gọi là cổ đông. Cổ phiếu có thể đƣợc phát hành dƣới dạng chứng chỉ vật chất hoặc bút toán ghi sổ, chỉ có công 6 ty cổ phần mới có cổ phiếu.

Giá trị ban đầu ghi trên cổ phiếu là mệnh giá của cổ phiếu. Mệnh giá là giá trị danh nghĩa. Số tiền nhận đƣợc từ khoản góp vốn gọi là cổ tức. Giá cổ phiếu giao động qua các phiên giao dịch trên thị trƣờng chứng khoán và tách rời so với mệnh giá.

Cổ phiếu đƣợc chia thành 2 loại: - Cổ phiếu thƣờng: Là loại cổ phiếu không có kỳ hạn, tồn tại cùng với sự tồn tại của công ty phát hành ra nó, nó không có lãi suất cố định, số lãi đƣợc chia vào cuối mỗi niên độ quyết toán. Cổ đông nắm giữ cổ phiếu này có quyền bỏ phiếu, mua cổ phiếu mới, tham gia vào đại hội cổ đông. - Cổ phiếu ƣu đãi: Gồm 2 loại * Cổ phiếu ƣu đãi biểu quyết: Là cổ phiếu dành cho các cổ đông sáng lập. Cổ đông nắm giữ loại cổ phiếu này phải nắm giữ trong một khoảng thời gian nhất định, không đƣợc chuyển nhƣợng, trao đổi.

* Cổ phiếu ƣu đãi tài chính: Tƣơng tự nhƣ cổ phiếu thƣờng nhƣng có một số hạn chế: cổ đông nắm giữ cổ phiếu này không đƣợc tham gia bầu cử, ứng cử vào hội đồng quản trị, ban kiểm soát của công ty.